[논문 리뷰] EVGen: Adversarial Networks for Learning Electric Vehicle Charging Loads and Hidden Representations

Robert Buechler, Emmanuel Balogun외 2명|arXiv (Cornell University)|2021. 08. 08.

Electric Vehicles and Infrastructure인용 수 6

한 줄 요약

이 논문은 레이블이 없는 데이터로부터 전기자동차(EV) 충전 부하의 분리된, 물리적으로 해석 가능한 표현을 학습하는 조건부 생성 적대 신경망인 SC-WGAN-GP를 제안한다. 연속적이고 이산적인 잠재 변수에 조건을 줌으로써, 모델은 시간적 동역학과 전력 변동을 더 잘 반영하는 현실적인 합성 충전 곡선을 생성하며, 전력망 계획 수립을 위한 정확한 시나리오 생성에 기여한다.

ABSTRACT

The nexus between transportation, the power grid, and consumer behavior is more pronounced than ever before as the race to decarbonize the transportation sector intensifies. Electrification in the transportation sector has led to technology shifts and rapid deployment of electric vehicles (EVs). The potential increase in stochastic and spatially heterogeneous charging load presents a unique challenge that is not well studied, and will have significant impacts on grid operations, emissions, and system reliability if not managed effectively. Realistic scenario generators can help operators prepare, and machine learning can be leveraged to this end. In this work, we develop generative adversarial networks (GANs) to learn distributions of electric vehicle (EV) charging sessions and disentangled representations. We show that this model structure successfully parameterizes unlabeled temporal and power patterns without supervision and is able to generate synthetic data conditioned on these parameters. We benchmark the generation capability of this model with Gaussian Mixture Models (GMMs), and empirically show that our proposed model framework is better at capturing charging distributions and temporal dynamics.

연구 동기 및 목표

• 레이블이 없는 데이터로부터 은닉된, 분리된 표현을 학습하는 딥 생성 모델을 개발하는 것.
• 실제 시간적 및 전력 동역학을 정확히 반영하는 합성 전기자동차 충전 부하 곡선을 생성하는 것.
• 기존 통계적 방법인 GMM과의 비교를 통해 모델이 부하의 분포적 특성과 일시적 특성을 얼마나 잘 포착하는지 평가하는 것.
• 학습 데이터를 초월한 외삽을 가능하게 하여 미래 전력망 운영에서의 시나리오 분석을 지원하는 것.
• 대규모로 현실적인 전기자동차 충전 시나리오를 시뮬레이션하여 전력망 계획 및 운영 의사결정을 향상시키는 것.

제안 방법

• 학습 안정성 향상과 샘플 품질 향상을 위해 조건부 워샤르스키 생성 적대 신경망과 기울기 페널티(WGAN-GP)를 사용한다.
• 24시간 동안 15분 간격의 전력 데이터(96개 시간 단위)를 처리하기 위해 잔차형 블록을 갖춘 컨volutional 신경망(CNN) 아키텍처를 활용한다.
• 조건부 입력으로는 80차원의 노이즈 벡터와 8차원의 연속적 또는 이산 잠재 코드를 사용하여 분리된 표현 학습을 지원한다.
• SC-GAN 구성요소는 생성된 샘플과 실제 데이터 간의 유사도 제약을 강제하여 분리성과 해석 가능성을 증진한다.
• 유사도 계산을 완전히 벡터화한 구현으로 기존 SCGAN 접근 방식 대비 50배 이상 빠른 학습이 가능해졌다.
• 잠재 변수는 충전 시기, 지속 시간, 전력 수준 등의 해석 가능한 패턴을 포착하도록 학습되며, 학습 분포를 초월한 외삽이 가능하다.

실험 결과

연구 질문

• RQ1 조건부 GAN 프레임워크는 레이블이 없는 데이터로부터 전기자동차 충전 행동의 분리된, 물리적으로 의미 있는 표현을 학습할 수 있는가?
• RQ2 제안된 SC-WGAN-GP 모델은 기존의 GMM 기반 모델 대비 합성 충전 부하 곡선을 얼마나 잘 생성하는가?
• RQ3 학습 분포를 초월해 미래 또는 가상의 충전 시나리오를 시뮬레이션하기 위해 학습된 잠재 변수가 어느 정도 외삽 가능한가?
• RQ4 GMM이 표현하지 못하는 전기자동차 충전의 일시적 동역학과 비정상적 패턴을 모델이 얼마나 잘 포착하는가?
• RQ5 분리된 연속적 및 이산 잠재 변수는 실제 충전 행동, 예를 들어 시간대, 배터리 크기 또는 충전 속도와 어떻게 대응하는가?

주요 결과

• SC-WGAN-GP 모델은 GMM보다 통계적으로 더 현실적인 합성 전기자동차 충전 부하 곡선을 생성하며, 특히 일시적 동역학과 비균일 전력 프로파일을 잘 반영한다.
• 모델은 8개의 분리된 연속 잠재 변수를 성공적으로 학습하였으며, 각각 오전과 오후의 충전 강도 또는 저녁 시간의 부하 이동과 같은 해석 가능한 충전 패턴에 대응한다.
• 이산 잠재 변수는 시간 패턴과 지속 시간에 따라 충전 세션을 군집화하여 부하 형태의 효과적인 클러스터링을 나타낸다.
• 완전히 벡터화된 구현 덕분에 유사도 계산 속도가 기존 SCGAN 대비 50배 이상 향상되어 효율적인 학습이 가능해졌다.
• GMM는 파라미터 가정으로 인해 평균 부하 형태의 단계적 곡선을 생성하지만, SC-WGAN-GP는 실제 충전 행동을 반영하는 부드럽고 동적인 부하 곡선을 생성한다.
• 모델는 학습 분포를 초월한 외삽 능력을 보이며, 잠재 변수가 1.5(균일분포 [0,1]을 초월)일 때도 타당하고 물리적으로 의미 있는 부하 변동을 생성한다.